随着信息时代高速发展,信息过载使得获取有用信息越来越困难,个性化推荐系统随之产生并在帮助人们快速有效地筛选信息同时,也能够积极地对一些用户关注的商品和信息作出推荐。而作为其核心的推荐算法,一直以来都是重点研究对象。其最广泛应用的算法——协同过滤算法可以对用户行为数据挖掘并分析出用户的偏好信息,以此产生个性化的推荐。主要存在的问题涉及数据稀疏和冷启动。传统的协同过滤推荐算法容易出现评分矩阵稀疏及推荐精度差的情况,基于这点,本文将slope one算法进行改进。利用项目流行度和LDA主题模型,计算用户对项目的偏好度;利用用户时间数据、用户信任模型,计算结合时间信息的用户信任度;将项目信息、用户关系等对推荐结果有影响的因素加入模型中,同时基于用户评分数据来填充评分矩阵中的未评分项目,提出一种改进推荐算法——W-slope one协同过滤推荐算法。由于用户关系的改变可以引起用户兴趣的变化,我们把基于时间的兴趣度权重也加入到了项目的相似度计算和推荐的过程中,以此得到项目的最近邻集合,进而产生推荐结果。在Last.fm数据集上进行了实验验证,结果显示在稀疏数据集上,结合用户信任关系、时间序列的W-slope one协同过滤推荐算法的推荐误差MAE和RMAE比传统模型分别降低了7.45%和7.68%,这表明本文提出的算法能够在相当程度上避免传统算法的数据稀疏和冷启动的问题,并且降低了推荐误差并提升推荐效率。